正则化方法有Lasso和Ridge

多项式回归模型后，还有没有方法继续优化提升模型性能呢？答案是正则化，正则化在数学推导上比较复杂，我们可以把它简单理解为一种特征选择方法，在模型中添加“惩罚系数”使得一些不那么重要的特征降低在模型中的影响度，常用的正则化方法有Lasso和Ridge。

      Lasso方法倾向于压缩一部分特征的相关系数为0，保留一小部分特征，通俗的理解就是如果两个特征变量如果强相关的话，Lasso方法会将其中一个不那么重要特征的相关系数变为0。而Ridge方法的做法则是尽量保留特征信息，只是把相关变量的系数同时缩小
————————————————
版权声明：本文为CSDN博主「华为云」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/devcloud/article/details/101102088